1、githubのリンク：https://github.com/alibaba/MNN/tree/master/tools/converter
2、チュートリアル
（1）チュートリアル：https://www.bookstack.cn/read/MNN-zh/tools-converter-README_CN.md
（2）参考ブログ：https://blog.csdn.net/qq_37643960/article/details/97028743
READMEセクション（3）githubのプロジェクトにも説明しています。
インストールプロセス：
コンパイルおよびMNNの動的なライブラリと変換ツールをインストールするには、次のようにコマンドは変換します。
CD / MNN / mkdirビルド CDのビルド cmakeの.. -DMNN_BUILD_CONVERTER = 真の メイク -j4
ビルドフォルダの後benchmark.outとMNNConvert実行可能ファイルを表示します。
テストbenchmark.out：
。/基準。アウト ../benchmark/models/ 10 0
第10の伝播を10回、最終結果が平均を表し、0は、CPUを示し、（推論コンピューティングデバイス、0（浮動小数点CPUの実効値）、1（金属）、3（浮動小数点のOpenCL）、6 （OpenGLの）、7（バルカン））
テストMNNConvert：
./MNNConvert -h
テスト：
最初のステップ：変換pytorchモデルonnxモデル
輸入トーチ 輸入torchvision dummy_input = torch.randn（10、3、224、224、デバイス= ' CUDA ' ） モデル = torchvision.models.alexnet（pretrained = 真）.cuda（） ＃入力と出力の名前を提供することは、値の表示名セット 位モデルのグラフ内。これらのセマンティクスを変更しない設定 ＃グラフのを。それだけで読みやすくするためです。 ＃ ＃ネットワークへの入力は（すなわち、入力のフラットリストで構成されて ＃あなたが前方（）メソッドに渡す値）に続いて ＃パラメータのフラットなリスト。あなたは、部分的につまりが提供する、名前を指定することができる 位にこちらのモデルへの入力の数よりも短いリストを、私たちはします 。＃名前だけのサブセットは、最初から始まることを設定します。 input_names = [ " actual_input_1 " ] + [ " learned_％のD "％iはのために私に範囲（16 ）] output_names = [ " OUTPUT1 " ] torch.onnx.export（モデル、dummy_input、" alexnet.onnx "、冗長=真、input_names = input_names、output_names = output_names）
ステップ2：モデルMNNへonnxモデル
./MNNConvert -f ONNX --modelFile alexnet.onnx --MNNModel alexnet.mnn --bizCode MNN
第三段階：伝搬時間benchmark.outにテストを使用する前に
。/基準。アウト ./models/ 10 0
PS：で/MNN/source/shape/ShapeSqueeze.cpp 80L中：NanAssert（）関数の新しいバージョンでは、それはコメントアウトされていることをコメントし;（または他のリシェイプエラーが報告されます）